4.8. Интеллектуальные информационные технологии в экономической деятельности
Один из основных путей улучшения качества управления сложными организационными системами — создание ИИТ [12,36,41].
Создание ИИТ связано с решением комплекса проблем синтеза в ЭС. Синтез БЗ — это не только сложная научная проблема, но и длительный, трудоемкий и слабоструктурированный процесс. До 90 % времени при создании систем с БЗ идет на процесс приобретения и формализации знаний. Эффективность ЭС в значительной степени определяется знаниями, введенными в БЗ. ЭС — это средство информационной технологии, автоматизирующее процесс представления знаний и процедур получения и генерации (вывода) знаний.
Создание и модификация БЗ осуществляются совместными усилиями эксперта и инженера по знаниям. Для этой цели создается интеллектуальный редактор БЗ. Он представляет собой программу, работающую в диалоговом режиме, который облегчает работу с БЗ.
Решатель (блок логического вывода) производит вывод (генерацию) нового знания, т.е. решает поставленную задачу на основе имеющихся в БЗ. При желании пользователь ЭС может получить объяснение того, как была решена задача. Для этого в ЭС включают блок объяснений. Взаимодействие с ЭС пользователя происходит при помощи интерфейса пользователя. Центральный блок ЭС — БЗ.Свойства знаний. Обязательный элемент, определяющий эффективность функционирования любой АИИС — знания. В этих системах нет общепризнанного формального определения понятию «знания». Знания есть особая информация, зафиксированная и выраженная в языке. Основные типы отношений, определяющие опосредованную связь знаний с внешним миром отображаются с позиций семиотики и подчиняются ее основным категориям — семантике, синтаксису и прагматике. Таким образом, знания — это не только особая форма информации, но и особая система отношений. В качестве рабочего можно принять следующее определение: знания — это особая форма информации, представляющая собой совокупность структурированных теоретических и эмпирических положений предметной области, которые обладают определенными свойствами и связаны синтаксическими, семантическими и прагматическими отношениями. Грань, отделяющая информацию от знаний, условна. Признается, что знания имеют пять важных свойств, позволяющих считать их таковыми: внутренняя интерпретируемость, рекурсивная структурируемость, взаимосвязь единиц, наличие семантического пространства с метрикой и активность.
В настоящее время не создано баз знаний АИИС, в которых в полной мере были бы реализованы все свойства знаний. Основные причины этого — ограниченные возможности используемых МПЗ, неполнота знаний ПрО, несовершенство методов приобретения знаний и несоответствие типов используемых знаний и моделей их представления.
Модели представления знаний. Представление знаний в АИИС не только фундаментальное понятие, но и решающий аспект их разработки. Выбор МПЗ важен ввиду их многообразия и размытости критериев выбора.
Последствия неудачного решения проблемы представления знаний могут быть катастрофическими. Используемый в АИИС формализм представления знаний определяет характер их получения и накопления. В результате создается БЗ, ориентированная на определенную структуру представления, а не на сущность самих знаний. Таким образом, выбор модели, неадекватной типам знаний, приводит к потере многих существенных деталей прикладной задачи.Проблемы представления знаний в компьютерных системах решаются на трех уровнях:
1) техническом — реализация сложного представления знаний, требующая ЭВМ с чрезвычайно развитой функциональной структурой, которая обеспечивает параллельные вычисления в режиме реального времени;
2) программном — создание программ, которые обеспечивают выполнение всех алгоритмов, необходимых для представления знаний;
3) концептуальном — выработка концепций, моделей, образующих методологию искусственного интеллекта.
Под представлением знаний подразумевают соглашение о том, как описывать реальную ПрО, в частности понятия и отношения. Иногда такое соглашение называют нотацией. Каждая модель определяет форму представления знаний, будучи формализмом, призванным отобразить объекты, связи между ними, иерархию понятий ПрО и изменение отношений между объектами. Для решения проблемы представления знаний разработаны разнообразные МПЗ. В системах искусственного интеллекта используются в основном четыре типа МПЗ: логическая, продукционная, семантическая сеть и фрейм.
Логические МПЗ представляют знания в виде формул, которые состоят из констант, переменных, функций, предикатов, логических связок и кванторов. Каждая логическая формула дает частичное описание состояния ПрО.
В основе всех логических схем представления знаний лежит понятие формальной системы, которую можно задать четверкой:
M=,
где Т — множество базовых элементов (алфавит формальной системы);
P — множество синтаксических правил, позволяющих строить синтаксически правильные выражения А из Т;
А — множество аксиом (любое множество синтаксически правильных выражений);
¥ — правила вывода, позволяющие расширять множество аксиом.
Среди реализаций логических МПЗ различают системы дедуктивного типа (имеют фиксированную систему правил вывода) и индуктивного типа (правила вывода порождаются системой на основе конечного числа обучающих примеров).
В логических схемах синтаксис задается набором правил построения правильных синтаксических выражений, а семантика — набором правил преобразования выражений и разрешающей процедурой, позволяющей однозначным образом и за конечное число шагов определить, является ли данное выражение семантически правильным. К достоинствам логических МПЗ относятся: высокий уровень модульности знаний, лаконичность представления, наличие четкого объекта анализа и определение понятия логического вывода. Они позволяют формальным путем получить новые знания. К недостаткам можно отнести чрезмерный уровень формализации знаний, слабая наглядность, трудность прочтения логических формул и сложность их понимания. Кроме того, логические МПЗ имеют технологические ограничения: низкая производительность при отработке знаний, необходимость большой памяти, отсутствие выразительности средств для отражения особенностей ПрО и структурирования знаний, громоздкость при описании больших объемов знаний. Чаще всего логические МПЗ применяются в сочетании с другими моделями.
Продукционные МПЗ задаются в виде выражений: «если имеется условие, то предполагается выполнить действие»; «если имеется причина, то она влечет следствие»; «если возникает ситуация, то предполагается решение». Продукционные модели могут быть реализованы, в частности, процедурно. В процедурных системах присутствуют три компонента: БД, некоторое число продукционных правил (продукций), состоящих из условий и действий; интерпретатор, который последовательно определяет, какие продукции могут быть активированы в зависимости от содержащихся в них условий. В БД хранятся известные факты выбранного ПО. Продукционные правила (продукции) содержат специфические знания ПО о том, какие еще дополнительные факты могут быть учтены, есть ли специфические данные в БД. В АИИС, построенных на использовании продукционных МПЗ, БД представляет собой переменную часть, а правила и интерпретатор не изменяются. Благодаря свойству модульности, присущему продукционным МПЗ, можно добавлять и изменять знания (правила, факты). Поэтому продукционные МПЗ применяются в ПО, где нет четкой логики и задачи решаются на основе независимых правил (эвристик). Продукционные правила несут информацию о последовательности целенаправленных действий. Продукционные модели благодаря причинно-следственному характеру правил хорошо отражают прагматическую составляющую знаний.
АИИС продукционного типа удобна, если решается небольшая задача. С увеличением объема знаний эффективность такой АИИС снижается.
Семантические сети МПЗ основываются на результатах изучения организации долговременной памяти человека. Характерная особенность семантических сетей в том, что они для образования своей структуры используют два компонента — вершинам сети соответствуют понятия (объекты, события, процессы, явления), а дугам, их соединяющим, — отношения, связи между понятиями.
В зависимости от структуры узлов и характера отношений между ними различают следующие сети: простые и иерархические, однородные и неоднородные. Последние делятся на функциональные сети, сценарии и семантические сети.
В семантических сетях знания представлены в терминах естественного языка и естественных отношений между ними (элемент-класс, класс-подкласс, функциональные дуги). Основные общие характеристики сетей следующие:
• описание объектов производится на естественном языке;
• все знания накапливаются в относительно однородной структуре памяти;
• на сетях определяются унифицированные отношения между объектами, которым соответствуют унифицированные методы вывода;
• методы вывода в соответствии с запросами определяют участки семантического знания, имеющего отношение к поставленной задаче;
• аппарат вывода определяет процедуру понимания запроса и соответствующую цепь выводов по решению задачи.
К достоинствам семантических сетей можно отнести: логическую гибкость, полученную благодаря наличию свойств ассоциативности и иерархичности; гармоничность и естественность сочетания декларативного и процедурного, синтаксического и семантического знаний; наглядность отображения объектов, связей, отношений в силу присущей им возможности графической нотации; лучшую читаемость и по- нимаемость знаний; высокую степень структуризации знаний. Среди недостатков следует выделить: сложность и трудность разработки алгоритмов анализа семантической сети в силу нерегулярности структуры и большого количества дуг, несущих синтаксическую информацию; пассивность структуры сети, для обработки которой необходим сложный аппарат формального вывода и планирования; разнообразие типов вершин и связей, произвольность структуры, требующие большого разнообразия процедуры обработки; трудность представления и обработки неточных и противоречивых знаний. В целом семантические сети позволяют представлять семантику ПО, а также осуществлять за счет наличия связей и отношений между понятиями целевую ориентацию и, таким образом, отражать прагматическую составляющую знаний. В связи с указанными недостатками предприняты попытки усовершенствования семантических сетей, которые нацелены в основном на организацию процессов обобщения, решение проблемы поиска и повышение изобразительных возможностей сетей.
Фреймовые МПЗ — это особые познавательные структуры, дающие целостное представление о явлениях и их типах. Основной элемент этой МПЗ — фрейм. В общем виде фрейм представляется так:
Р:^,, г,, р,},
где Р — имя фрейма;
, — индекс слота;
Б. — имя слота;
I '
X — значение слота;
I '
Р. — процедура.
Фреймы отражают концептуальную основу организации памяти человека. Слоты — это некоторые структурные элементы фрейма, заполнение которых приводит к тому, что фрейм ставится в соответствие некоторому объекту — предмету или явлению. Значениями слота могут быть конкретные данные, процедуры и даже продукции. В качестве слота может быть указано имя другого фрейма. Слот может быть пустым (незаполненным). Из всех ранее рассмотренных МПЗ только фреймам свойственна высокая структурируемость, внутренняя интерпретируемость посредством имен и значений и связность слотов и их значений.
Кроме того, фреймы обладают высокой наглядностью и модульностью, объединяют достоинства декларативного и процедурного представления знаний. Однако фреймы наиболее эффективны при обработке семантической составляющей знаний. У фреймов, как и у семантических сетей, отсутствуют универсальные процедуры их обработки, что приводит к неэффективному использованию ресурсов процессора и памяти ЭВМ.
Рассмотренные МПЗ — это в некотором смысле разновидности структур данных, хотя эти МПЗ и используются в АИИС для обработки знаний. На основе МПЗ строятся технологии приобретения знаний.
Технология приобретения знаний. Главная задача при построении АИИС — приобретение знаний. От качества и полноты первоначальных знаний, введенных в БЗ, в решающей степени зависят эффективность работы АИИС и качество решения задач пользователя.
В современных экспертных системах генерация знаний базируется на следующих основных компонентах (рис. 4.8):
• БЗ;
• подсистеме приобретения знаний;
• интерфейсе пользователя;
• подсистеме объяснения;
• машине вывода;
• доске объявлений (рабочая память);
• подсистеме совершенствования вывода.
Такая структура обеспечивает пользователю возможность наполнения ЭС нужными данными и знаниями и проведения консультаций с системой при решении экономических задач. Среда разработки используется разработчиком ЭС для введения и представления экспертных знаний. Среда консультации доступна пользователям для получения экспертных знаний и подсказок.
Среда консультаций | Среда разработки
Рис. 4.8. Типовая структура генерации вывода ЭС |
В подсистеме приобретения знаний происходит сбор, передача и преобразование опыта решения экономических задач из определенных источников знаний в компьютерные программы при их создании или расширении. Источники знаний — это эксперты, специалисты, БД, научные отчеты, учебная литература, опыт пользователей-экономистов. Извлечение знаний в силу своей сложности — узкое место в создании и технологии ЭС. Для построения БЗ нужен инженер по знаниям. Он оказывает эксперту методическую помощь в структурировании его знания о ПрО, интерпретирует и интегрирует ответы на вопросы, находит аналогии, предлагает контрмеры и выявляет затруднения в определении концептуального уровня задач.
В БЗ содержится все необходимое для понимания, формирования и решения задач. Она содержит два основных элемента: факты (данные) из ПрО и специальные правила, или так называемые эвристики, которые управляют использованием фактов при генерации знаний. Кроме того, БЗ может включать мета-правила, т.е. правила о правилах для решения проблем и получения выводов. Эвристики выражают формальные суждения о ПрО. Для ЭС первичный исходный материал — знания, а не факты. Информация БЗ включается в программу ЭВМ в процессе представления знаний.
«Мозг» экспертной системы — машина вывода, или интерпретатор правил. Этот блок — программа ЭВМ, поддерживающая методологию обработки информации из БЗ, получение и представление заключений и рекомендаций посредством формирования и организации последовательности процедур, необходимых для решения задачи. Машина вывода состоит из следующих основных элементов:
• интерпретатор, выполняющий выбранные процедуры с применением соответствующих правил базы знаний;
• планировщик, управляющий процессом выполнения процедур посредством оценки эффекта применения различных правил с точки зрения приоритетов или других критериев.
Доска объявлений как область рабочей памяти выделяется для описания текущей задачи посредством специфицированных входных данных. Она используется также для записи промежуточных результатов. Здесь регистрируются текущие гипотезы и управляющая информация. В частности, план (стратегия для решения задачи), повестка (потенциальные действия, ожидающие выполнения), решения (гипотезы и альтернативные способы действий, порожденные ЭС).
Интерфейс пользователя ЭС играет существенную роль в эффективности решения задач. ЭС имеет лингвистический процессор, который обеспечивает дружественный и проблемно-ориентированный интерфейс пользователя с ЭВМ. Здесь может использоваться многооконное меню с естественным языком и графикой.
Подсистема объяснения обеспечивает возможность проверки соответствия выводов их посылкам и имеет важное значение как при передаче опыта, так и при решении задач. Подсистема объяснения может проследить соответствие и объяснить поведение ЭС, интерактивно отвечая на вопросы типа: «Как было получено это заключение?», «Почему эта альтернатива была отвергнута?», «Какова последовательность подготовки решения?» и др.
Компонент совершенствования вывода основан на обратной связи. В процессе решения задач ЭС проводит двусторонний диалог с пользователем. Она запрашивает его о фактах, уточняя конкретную ситуацию решаемой задачи. После получения ответов ЭС пытается получить заключение. Эта попытка выполняется машиной вывода. Она определяет, какие эвристики необходимо использовать, чтобы установить порядок применения знаний из БЗ. При необходимости пользователь может запросить объяснение ЭС ее заключений. Истинность вывода зависит от метода, который был выбран для представления знаний, полноты БЗ и логического аппарата машины вывода.
Эксперты проводят тщательную работу по накоплению знаний, опыта, набора правил порождения знаний и др. Это позволяет в дальнейшем анализировать и оценивать успешность принятых решений, методик и средств, задействованных при построении и эксплуатации ЭС. Это приводит к «очищению» знаний, улучшению их представления и выработки, к совершенствованию технологии ЭС в целом.
В осуществлении процесса приобретения знаний принимают участие инженеры по знаниям, программисты и так называемые источники знаний. В роли источников знаний выступают эксперты, факты, примеры, данные ПрО, в частности учебники, монографии, статьи, инструкции и т.п. Инженеры по знаниям и эксперты в процессе приобретения знаний могут выполнять различные функции в зависимости от применяемых методов извлечения, получения и формирования знаний, а также наличия и степени развитости средств автоматизации. Инженер по знаниям выполняет следующие основные функции:
• управление процессом коммуникации в форме последовательности содержательных сообщений;
• переработка сведений, включающая все возможные способы анализа и синтеза информации;
• идентификация и конструирование понятий, выяснение и фиксирование их смысла, а также установление отношений между ними и когнитивными элементами;
• хранение информации путем запоминания, выборки и документирования.
Поскольку приобретение знаний и разработка прототипа ЭС — процесс трудоемкий и сложный, вполне естественно, что его стремятся максимально автоматизировать. Основная задача автоматизации приобретения знаний состоит в облегчении труда эксперта и инженера по знаниям. Эта задача может быть решена двумя путями. Первый путь состоит в том, что автоматизированной системе может быть передана часть функций по приобретению знаний. Во втором случае эксперт и инженер полностью исключаются из процесса генерации знаний и создания автоматизированной системы приобретения знаний.
Применение автоматизированных систем приобретения знаний позволяет реализовать одну из трех стратегий получения знаний. В рамках первой стратегии основные функции по актуализации и формированию знаний выполняет эксперт, обращаясь при этом за помощью к АИИС. Благодаря этой помощи эксперт структурирует, систематизирует и формализует свои знания, используя некоторые средства формализации.
В результате получаются готовые формы знания для непосредственного кодирования и ввода в БЗ. Такая стратегия позволяет исключить инженеров по знаниям из технологической цепочки приобретения знаний и все их функции возложить на автоматизированную систему.
В рамках второй стратегии получения знаний ведущая сторона в диалоге — автоматизированная система. По ответам эксперта АИИС конструирует готовые формы знания и затем передает их в другие компоненты АИИС для включения в состав БЗ. Инженер по знаниям полностью исключается из рассмотренной технологической цепочки получения знаний.
Третья стратегия приобретения знаний связана с исключением из классической технологии и инженера по знаниям, и программиста. Заполнение знаниями таких АИИС может быть осуществлено без изменения механизма логического вывода с помощью редактора знаний. Основная функция редактора знаний — возможность заполнение БЗ нужными знаниями самим экспертом.
Методы приобретения знаний. Рассматривая методы приобретения знаний, будем использовать следующие термины: извлечение, получение, формирование, приобретение знаний и обучение БЗ. Под извлечением знаний понимают процесс приобретения материализованных знаний из текстологических источников информации с помощью некоторой совокупности методов и процедур, позволяющих переходить от знаний в текстовой форме к их аналогам, адаптированным для ввода в БЗ АИИС. Получение знаний — это процесс приобретения вербализуемых и невербализуемых знаний эксперта, основанный на использовании непосредственно им самим или инженером по знаниям приемов, процедур, методов и инструментальных средств. Формирование знаний — это процесс автоматического приобретения системой искусственного интеллекта или инструментальным средством нового и полезного знания из исходной и текущей информации, которое в явном виде эксперты не формируют. Под приобретением знаний понимается процесс, основанный на переносе знаний из различных источников в БЗ путем использования различных методов, моделей, алгоритмов и средств. Понятие «получение знаний» соотносится с понятиями «извлечение», «приобретение», «формирование знаний» как целое—часть. Обучение БЗ — это процесс ввода (переноса) приобретенных знаний в АИИС на основе применения совокупности методов, приемов и процедур в целях ее заполнения, расширения и модификации. Термин «обучение» рассматривается как свойство БЗ, совокупность методов, приемов и процедур ввода знаний в БЗ и процесс переноса знаний в АИИС. Большинство методов извлечения и получения знаний основано на прямом диалоге с экспертом.
Методы извлечения знаний состоят из текстологических методов и методов автоматической обработки текстов. Текстологические методы предназначены для получения инженером по знаниям знаний из материализованных источников. Текстологические методы, несмотря на их простоту, наименее разработанны. Эти методы основываются не только на выявлении и понимании смысла текста, но и на выделении базовых понятий и отношений, т. е. формировании семантической (понятийной) структуры ПО.
Компрессия текста служит методологической основой для использования текстологических процедур извлечения знаний. Текстологические методы самые трудоемкие и применяются, как правило, на начальном этапе создания АИИС. Значительное развитие получили методы извлечения знаний, применяющие современные информационные технологии, в частности гипертекстовые технологии.
К методам получения экспертных знаний можно отнести и коммуникативные методы (пассивные и активные), основанные на прямом диалоге экспертов и инженеров по знаниям как без использования АИИС, так и с их применением при использовании психосемантики и тестирования БЗ. Коммуникативные методы получения знаний рассматриваются как разновидности интервьюирования. Они отличаются своей низкой эффективностью. Так, при непосредственном взаимодействии инженера по знаниям и эксперта теряется до 76 % информации. Один из путей совершенствования процесса приобретения знаний состоит в разработке методов, позволяющих передать часть функций, выполняемых инженером по знаниям, самому эксперту или АИИС.
Трудности извлечения знаний из текстовых источников и получения их от экспертов стимулировали развитие методов формирования знаний, известных как «методы машинного обучения». Для развитых АИИС способность обучаться, т.е. самостоятельно формировать новые знания на основе текущих знаний и собственного опыта решения прикладных задач, — это их существенная характеристика. Методы формирования знаний лежат в основе автоматических систем приобретения знаний. Автоматические системы формирования знаний являются предпочтительными, так как снижается время приобретения знаний, уменьшается вероятность ошибок в них. Следует отметить, что фундамент формирования знаний — индукция, которая лежит в основе получения общих выводов из совокупности частных утверждений. Поэтому главная проблема, которую необходимо решить по мере развития методов, — как от набора частных случаев перейти к их обобщению.
Основное направление повышения эффективности процесса представления знаний — его автоматизация. Процесс приобретения знаний поглощает от 50 до 90 % общего времени и ресурсов, затрачиваемых на построение АИИС. Одновременно применение оболочек уменьшает стоимость генерации единицы знания примерно в 10 раз. Однако применяемые АИИС, в частности ЭС, дают значительный выигрыш по ресурсозатратам в зависимости от сферы их применения. Так, например, в проектировании они повышают производительность труда в три— шесть раз; ускоряют поиск неисправностей в технических системах в 5—10 раз; в профессиональной подготовке снижают затраты времени в 8—12 раз.
ЭС, применяемые в финансовой области. ЭС находят все большее применение в коммерческой деятельности, позволяя аккумулировать знания дорогостоящих экспертов и использовать эти знания неодно - кратно. ЭС служат в качестве автоматизированных помощников при страховании, кредитном обслуживании и управлении портфелями ценных бумаг, финансовом планировании, оценке риска, аудиторских и ревизионных проверках.
Характерная особенность ЭС, применяемых в финансовой области, — их гибридность, т. е. они используют парадигмы, базирующиеся на правилах, однако тесно интегрированы с обычными аналитическими средствами и БД. Например, экспертная система Management Advisor (консультант менеджера), разработаная фирмой Palladin Software 1пс. помогает менеджеру в планировании коммерческих операций. Система включает, кроме БЗ, электронную таблицу, БД и графические программы с возможностью использования мыши. Сеанс работы представляет собой последовательность итеративных действий, которая состоит из базового решения, его оценки, различных модификаций, сообщения о пересмотре и принятии решения и выполнения дальнейшей итерации. В процессе итерации пользователь может проследить влияние каждого элемента управления и сделать необходимые корректировки с помощью диалога или сообщений.
ЭС Lending Advisor (консультант кредитора) разработана фирмой Syntelligence. В разработке программы принимали участие сотрудники Вашингтонского банка. Основное ее назначение — помощь менеджерам, занимающимся кредитами, в анализе коммерческих займов и структуризации соответствующих пакетов займов. Система представляет собой большую многопользовательскую настраиваемую ЭС, которая оценивает коммерческие применения займа, уровень потенциального риска, связанного с займом и подсказывает оптимальную структуру займов. Кроме того, система пересматривает существующие займы.
ЭС Underwiting Advisor (гарантирующий консультант) оценивает риск в страховании для определения калькуляции цен. Эта система может использоваться в коммерческой сфере для подсчета стоимости работника с оценкой его страховки — при страховании моряков внутренних морей, страхования общей ответственности и в коммерческом автостраховании. Система разработана тремя партнерами: American International Group Inc., Saint Paul Companies Inc., Fireman's Fund Insurance Companies. Эта система оценивает коммерческие страхования, определяя типы и уровни риска и позволяя страховым агентам проводить оценку на основе полной информации и уточнять решение при каждом риске. По некоторым оценкам, внедрение этой системы принесло страховым компаниям США около 100 млн долл. годового дохода.
ЭС EXPERTAX разработана известной нью-йоркской фирмой Coopert and Lybrand (имеет отделение в Москве). Она готовит рекомендации ревизорам и налоговым специалистам в подготовке финансовых деклараций и расчетов по налогам. Система имеет форму живого вопросника, который побуждает пользователя собирать информацию, задавать только относящиеся к делу вопросы. Процесс управляется пользователем, который решает — отвечать ли на вопрос, спросить, почему он был задан, или пропустить его. После того как система получает достаточно детальную информацию о проблеме, она структурирует свой поиск так, чтобы минимизировать его, исключив излишние пути, и загрузить в память только те части БЗ, которые будут использованы. БЗ системы отражает опыт свыше 20 экспертов в области налогов и аудиторской проверки и накапливает информацию в более чем 1 тыс. легко поддерживаемых фреймах двух типов. Фреймы вопросов определяют вопросы, ответы, предварительные условия и правила для управления диалогом; фреймы сообщений определяют, что должно быть отображено на экране, что помещено в итоговый отчет. Отчет используется для подготовки окончательного расчета налогов и выдачи рекомендаций клиентам по планированию налогов.
Пример системы для автоматизации офиса — ЭС Letter of Credit Advisor (письмо консультанта по кредитам), разработанная фирмой Helix и Национальным американским банком для помощи клерку в подготовке и оплате кредитных писем. В экспортно-импортных операциях кредитное письмо — базовый документ. Эти операции при сделке обычно оговариваются особо. Система содержит правила, находящие разногласия в документации, связанной с этими операциями. После ответа на свой запрос пользователь вводит информацию о кредитном письме и смежных документах. Система проверяет информацию на отсутствие разногласий. При их отсутствии готовится документация к оплате.
В задачах автоматизации офиса приемлемы небольшие по размеру ЭС. Они становятся интеллектуальным подспорьем в офисной работе. Эти системы позволяют быстро менять БЗ, реструктурировать их при необходимости и представлять в удобном для эксплуатации формате — электронная таблица, естественный язык, меню-окна и др.
Система XCON создана в научно-исследовательском компьютерном центре университета Карнеги-Меллон для решения задач по оказанию консультационной помощи при выборе конфигурации компьютера. Если покупатель формулирует то, что ему нужно, то ЭС подбирает определенные характеристики и параметры полного набора компонентов и проводов конфигурации компьютера. Требования заказчика вводятся в ЭВМ, на выходе выдается диаграмма, описывающая компоненты компьютера и связи между ними. На основе этой диаграммы и собирается необходимый для заказчика компьютер. Известно, что эта ЭС обеспечивает фирме DEC около 2 млн долл. в год.
Пример отечественной ЭС, использующей знания опытных экспертов для решения кадровых вопросов, — инструментальная интеллектуальная система психологических исследований PSY, разработанная специалистами ВНТК «Сайнтекс» (Москва). Данная система используется руководителями учреждений, менеджерами, работниками кадровых служб и психологами для проведения профессионального и психологического отбора при приеме на работу, анализа межличностных отношений и психологической совместимости сотрудников, ведения БД по кадрам с учетом личностных характеристик людей.
Система позволяет:
• использовать готовые тесты для психологического обследования — в поставку системы включаются разнообразные тесты, необходимые для определения уровня развития личностных, деловых, социальных и интеллектуальных качеств персонала, отклонений от психологической нормы;
• получать готовые текстовые характеристики по результатам обследования;
• проводить обработку результатов тестирования, осуществлять подбор наиболее подходящих кандидатур на конкретные должности с учетом их профессиональных и личностных качеств;
• создавать и редактировать тесты, анкеты и вопросники — осуществлять коррекцию вопросов, ответов, шкал, условий и текстов интерпретаций, сортировку и статистическую обработку результатов обследований.
Система PSY представляет собой, по сути, гибридную ЭС, включающую, кроме БЗ, обширную БД для хранения тестов и сведений о персонале, а также процедуры статистической обработки.
Отображением знаний в системе служит аппарат правил продукционного типа. На основе этих знаний формируется характеристика обследуемых. Сюда же входит и анализ особенностей формирования личности на основе биографических данных. ЭС насчитывает около 6 тыс. продукционных правил. Развитый логический аппарат позволяет системе формировать улучшенные тесты для отбора по конкретной специальности на основании профессиональных требований, определяемых пользователем системы. Система может подстраиваться и корректировать состав тестов для углубленного изучения свойств обследуемого.
Нейросетевые технологии. В составе технологий интеллектуального уровня определенное место занимают аналитические информационные технологии, которые относятся к классу нейронных сетей. В основе нейронных сетей положены алгоритмы, обладающие способностью самообучения на примерах, которые они извлекают из потока информации как скрытые закономерности. Компьютерные технологии нейросе- тевой структуры работают по аналогии с принципами строения и функционирования нейронов головного мозга человека и способны благодаря этому решать чрезвычайно широкий круг задач: распознавание человеческой речи и абстрактных образов, классификация состояний сложных систем, распознавание технологических процессов и финансовых потоков, решение аналитических, исследовательских, производственных задач, связанных с объемными информационными потоками. Будучи мощным технологическим инструментом, нейросе- тевые технологии облегчают специалисту процесс принятия важных и неочевидных решений в условиях неопределенности, ограниченных информационных ресурсов или дефицита времени. Эти важные свойства и определили практическое применение нейросетевых технологий.
Интенсивное продвижение на рынок нейросетевых технологий началось в 1990-х гг. Появилось новое поколение систем этого класса, основанное на достаточно мощных, но недорогих и простых в использовании персональных ЭВМ. Среди систем этого поколения можно назвать нейросетевой пакет Brain Makerr американской фирмы California Scientific Software. В настоящее время это один из самых популярных нейросетевых пакетов на рынке США. На российском рынке он появился в финансово-кредитной сфере. Финансисты стали довольно широко применять этот пакет в аналитической работе банков. Кроме финансовой сферы пакет начал применяться и в решении задач властных структур.
Одно из достоинств нейронных сетей — их способность адаптироваться к изменениям условий решаемой задачи. Механизм адаптации базируется на идее самообучения. Алгоритм самообучения не требуют каких-либо предварительных знаний о существующих в ПрО взаимосвязях. Здесь надо только подобрать достаточное число примеров, описывающих поведение моделируемой системы в прошлом. Основанная на нейросетях технология не предъявляет повышенных требований к точности входных данных как на этапе самообучения, так и при их применении. Примером может служить распознавание симптомов приближения критических ситуаций для краткосрочных, а иногда и долгосрочных прогнозов. Таким образом, нейросетевая технология обладает двумя следующими необходимыми свойствами:
• способностью обучаться на конкретном множестве примеров;
• умением стабильно распознавать и прогнозировать новые ситуации с высокой степенью точности даже в условиях внешних помех, например при появлении противоречивых или неполных значений в потоках информации.
В России популярность приобрели системы Brain Maker Professionall и Neuroforester. Работа алгоритма здесь заключается в управлении процессом общения на некотором множестве примеров, а также стабильном распознавании новых ситуаций с высоким уровнем точности.
В отличие от Brain Maker Professional в пакете Neuroforester для решения прогнозных задач ряд процедур выполняется автоматически. Например, автоматически выбирается оптимальное число дней для решения прогнозной задачи. Пакет имеет также инструменты для предварительной обработки данных: корреляционный анализ, позволяющий определять значимость входных параметров прогноза; анализ с помощью масштабных преобразований; диаграмма-распределение зависимости прогнозируемой величины от входных параметров. Указанные свойства обеспечивают системе хорошее качество прогноза. Результаты решения задач представляются в удобном графическом виде, что обеспечивает эффективное принятие решений.
Создание нейросетевой технологии имеет свои этапы:
1) формулировка задачи — один из принципиальных моментов разработки технологии. На этом этапе необходимо четко определить, что пользователь хочет увидеть в качестве результата нейросетевой технологии. Это могут быть функция доходности ценных бумаг, доминирующие факторы развития рынка определенной номенклатуры товаров, результаты ревизии портфеля инвестиционных проектов фирмы и др.;
2) определение и подготовка исходных данных — отбор источников информации, которые наиболее точно и полно описывают процесс решения задачи. Для этого привлекаются специалисты, хорошо знающие ПрО задачи и имеющие достаточный опыт ее решения. При этом необходимо соблюдать равновесие между стремлением увеличить количество исходных параметров и вероятностью получить плохо обучаемую сеть, которая будет производить неправильные прогнозы;
3) физический ввод данных в систему, подготовка файлов для тренировки и тестирования системы — формирование того состава ситуаций, который поможет аналитику-пользователю при решении задач, и распределение исходных данных по этим ситуациям. Здесь очень важно выделить степень влияния того или иного параметра на прогнозируемую величину. Это соответствие выясняется в виде процедуры «если..., то...; иначе.»;
4) обучение нейросетевой технологии. Система может быть настроена на решение разных задач, в частности на прогнозирование временных рядов. Эти ряды могут быть применены для описания финансовых рынков. Средством решения задачи часто становится так называемый генетический алгоритм (Genetic Algoritmus). В реализации задач автоматической классификации и распознавания образов могут быть применены технологии Hopfield и Kohonen. Принципиальная трудность состоит в настройке нейросети на обучающую выборку данных. При настройке следует определить оптимальное число параметров, свойств изучаемых данных, рациональное число соотношения дней ретроспективы и прогноза;
5) тестирование нейросети и ее запуск для получения пробного прогноза. Адекватность обученных нейросетей определяется по тестовой выборке данных. По результатам тестирования выбирается наиболее подходящий состав вариантов. Критерием отбора служит точность и надежность прогноза. В случае неудовлетворительных результатов тестирования еще раз анализируется набор входных данных, корректируются некоторые обучающие программы или переопределяется сеть.
Вопросы и задания для самопроверки
1. Дайте определения понятий «технологический процесс обработки данных АИС», «этап технологического процесса обработки данных АИС».
2. Назовите основные схемы технологического процесса обработки данных АИС.
3. Назовите основные методы программного контроля достоверности и полноты в технологии обработки данных.
4. Дайте характеристику топологических схем сетей ЭВМ.
5. Каковы основные элементы структуры ГВС?
6. Дайте характеристику основных форм электронной коммерции в Интернете.
7. Назовите МПЗ интеллектуальных информационных технологий.
8. Назовите основные элементы структуры ЭС.
9. Каков порядок генерации вывода в ЭС?
10. Назовите классы экономических задач, при решении которых применяются интеллектуальные информационные технологии.
11. На каких принципах основаны нейросетевые технологии?
Еще по теме 4.8. Интеллектуальные информационные технологии в экономической деятельности:
- Глава 5. Методология построения экономических информационных систем и эффективность применения в них информационных технологий
- 5.2. Экономическая эффективность применения информационных технологий
- 8.2. Автоматизированные информационные технологии аудиторской деятельности
- 1.1. ВОЗНИКНОВЕНИЕ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ. ПОНЯТИЕ ЭКОНОМИЧЕСКОЙ ИНФОРМАЦИИ
- 9.2. Информационные технологии в деятельности банков
- 7.2. ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И РАЗВИТИЕ ЛОГИСТИКИ В ДЕЯТЕЛЬНОСТИ ЗАРУБЕЖНЫХ КОМПАНИЙ
- Глава 8 ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ АУДИТОРСКОЙ ДЕЯТЕЛЬНОСТИ
- 8.3. Программное обеспечение автоматизированных информационных технологий аудиторской деятельности
- 4.4. Новые ИТ в экономической деятельности 4.4.1. Интернет-технологии
- 3.3. Штриховое кодирование и технология его применения в экономической деятельности
- 1.1. Информационный ресурс — основа информатизации экономической деятельности
- 4.1.3. Классификация интеллектуальных информационных систем
- Расходы на покупку прав на результаты интеллектуальной собственности при упрощенной системе налогообложения Расходы на приобретение прав на результаты интеллектуальной деятельности
- 4. ОСНОВЫ ПОСТРОЕНИЯ И ИСПОЛЬЗОВАНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ ИНФОРМАЦИОННЫХ СИСТЕМ